机器视觉在电力设备红外故障检测上的技术方案探讨

黄智明，黄浩诚，陈湘阳

（广东电网有限责任公司江门供电局，广东 江门 529000）

电力设备所处的环境往往比较复杂和恶劣，容易受到外界环境气候的影响，为保障电网供电安全，电力部门需要定期进行各种电力设备的巡视检修工作[1]。而其中较为常用的方法是电力设备的红外故障检测[1-2]。

由于传统的人工巡检方式存在人力成本高、工作效率低下等问题，已经难以满足当前电网规模的运行维护要求。而随着深度学习视觉技术的兴起与发展，电力设备图像的识别与分割的准确度得到了很大的提升。因此，本文主要探讨基于机器视觉技术实现红外故障检测的两种思路以及四种可行技术方案，并充分讨论各方案的优劣性，以给相关研究工作提供参考。

1 电力设备红外故障检测现行流程

传统红外图像的拍摄主要依靠工作人员带着手提红外摄像仪进行拍摄。获得目标电力设备的红外图像后，由输电运检人员对可疑发热点做定点测温，根据电力部门制定的相关标准实现对红外故障的等级判断。单纯依靠人工很难完成这样繁重的工作，检测准确率无法得到保障。

2 红外故障检测的两种思路

判断电力设备是否出现红外故障主要基于温度数据及电力设备在红外图像中的位置两个要素。因此有两种思路可以实现电力设备红外故障的检测。

（1）先获取红外图像的温度数据，找出可疑发热点，再判断这些可疑发热点是否处于电力设备上。由于拍摄到的红外图像中可能存在大量的冗杂信息，不仅干扰判断，在计算效率也较为低下。

（2）对红外图像中电力设备的分割与分类，再获取电力设备所处区域的温度数据，找出最高温的那个点，再判断该点的温度是否超过正常的温度允许范围。

综合分析可得，第一种思路存在大量的冗余计算问题，效率低下。因此本文主要基于第二种思路来展开具体技术方案的探讨，以下的方案探讨均以输电线路上的复合绝缘子为例。

3 温度数据提取方案

电力设备的红外图像主要有原始红外图像和伪彩色红外图像两种，如图1、图2 所示。其中，图1 为直接从红外摄像仪中导出未经红外图像分析软件渲染的原始图片；图2 为从红外摄像仪中导出后经过红外图像分析软件渲染成为伪彩色的图片。

图1 原始红外图像

图2 伪彩色红外图像

相对而言，原始红外图像中的温度数据较为容易得到，因为红外热像仪输出的原始红外图像中自带有温度数据，直接提取并转化为温度值即可。

从伪彩色红外图像中获得图像各像素对应的温度值需配合右侧标有最高温度值和最低温度值的温度条进行对比分析，温度条沿垂直方向均匀线性分布，因此可以计算得到每种RGB 值所代表的具体温度值。

4 电力设备分割与识别技术方案

4.1 传统图像处理方法

传统图像处理方法的检测效果往往不尽人意，因此很少运用到实际场景中，分析可知其主要存在以下4 个方面的原因。

（1）整体技术方案被切割成3 步：①分割。②提取特征。③分类识别。每一步中可使用的方法都有若干种，需要不断地尝试。

（2）电力设备的红外图像背景复杂，而且一幅图中一般都包含有多种类且多个电力设备，传统图像处理无法实现对同一幅图中多种设备的分割与识别工作。

（3）红外图像的拍摄受环境影响，所得图像含有大量噪声，而传统图像分割方法抗干扰能力差，预处理工作不能保证可以去除这些噪声。

（4）不同的电力设备需要不同的分割模型，没有普适性的传统图像分割算法。

图3 展示的是使用OTSU 和区域生长两种经典的图像分割算法对图1 中原始红外图像进行分割的结果。

图3 OTSU 分割结果（左）与区域生长法分割结果（右）

由图3 可见传统图像处理的分割算法在背景复杂的情况下表现不佳，分割结果比较随机，无法将目标从图像中提取出，因此难以应用到实际工作当中。

4.2 深度学习视觉方法

基于深度学习视觉方法的电力设备红外故障检测的技术方案有3 种：针对缺陷的目标检测、针对设备的目标检测与分割及直接实例分割。

4.2.1 针对缺陷的目标检测

电力设备的红外故障检测本质上属于目标检测问题，然而该方案在具体实现上存在2 个问题。

（1）现实场景中电力设备发生红外故障的概率较低，因此积累的图像库中存在红外故障的图像占比很少，若采用目标检测的方法，存在正负类样本不均衡的问题，因此训练出的目标检测模型会倾向于判断为无红外故障，从而大大降低了检测红外故障的召回率。

（2）一般故障、严重故障和紧急故障三者在温度上往往只是相差1～3℃，图像上的表现出的差异非常细微，差异很难被准确地区分开来，模型难以收敛。

综合上面的两点，可见直接对图像中的红外故障进行目标检测的技术方案在实现上有很大的难度，不建议采用。

4.2.2 针对电力设备的目标检测与分割

该技术方案中的目标检测是图像中的电力设备。找到目标电力设备所在的位置后，对该区域的图像进行分割即可，也可使用深度学习中的语义分割方法进行分割。

然而当人为地将目标检测与分割两个过程切割开来，会出现小分辨率的图像，失去了上下文的语义信息，想要对其中的电力设备进行精确分割比较难。图4 展示了该技术方案下使用目标检测网络FasterR-CNN 与语义分割网络Deeplab 的复合绝缘子分割效果，可以看出目标检测可以较好地提取出复合绝缘子在图中的位置，但后续的语义分割部分图像表现不佳。

图4 目标检测与分割结果

4.2.3 直接实例分割

实例分割是在目标检测的同时对检测到的物体进行精确分割，将目标检测和分割两个任务综合在一起，整体实现上会更加紧凑和连续。

但该方案需要对大量图片做像素级别的标注工作，且实例分割的输出结果在很多时候并不能直接用于后续的工作。

例如在复合绝缘子的实例分割前期标注工作中，如图5 所示，若直接使用实例分割模型，很大概率会导致误检。而实际上红外故障只会出现在芯棒部位，因此可以只提取出芯棒所在的区域作为最终的分割结果。图5 展示了直接采用实例分割网络MaskR-CNN 的分割结果，对复合绝缘子的分割精确度非常高，比以上几种技术方案的结果要好很多。

图5 目标检测与分割结果

5 结语

本文讨论了电力设备红外故障检测的两种实现思路及4 个技术方案，这4 个技术方案又具体分为传统图像处理方法和深度学习视觉方法两大类，各有优缺点。因此在实际场景中要采用哪种方法，需要具体问题具体分析。对于特定的项目，比较好的思路是可以先使用传统的图像处理方法进行尝试，若效果表现不好且无法提升则可以采用深度学习视觉方法。